浏览器本地搜索图片再进一步

想从相册里找“夕阳下的海边”，现在不一定要给照片逐张改名，也不必先把原图传到服务器。语义检索会按画面含义找图：文字塔读取描述，视觉塔读取照片，再把两者变成可以比较的数字表示。据项目作者在 Reddit 介绍，他已将 EmbeddingGemma 2 的这两个模块移植到 ruNNtime，并做成浏览器照片画廊演示。

具体来说，图片和文字会进入同一个 768 维空间——可以把它理解为一套共同的“含义坐标”。距离越近，内容越相符。搜索计算由 WebGPU 完成；它是浏览器调用本机 GPU 做通用计算的标准接口。作者称，整个过程都运行在用户设备的 GPU 上。值得关注的不只是一次演示：ruNNtime 用 TypeScript 编写，把浏览器推理的基础组件与模型实现分开组织，说明这类本地跨模态检索正在形成可复用的网页工具链。不过现有材料没有披露速度、内存占用或大规模照片库中的检索表现。